VAE
生成模型—VAE
生成模型—VAE(Variational Auto-Encoder) 为进一步了解面部反应生成模型的原理，故详细学习VAE。 Auto-encoder 感谢李宏毅老师的视频！ 自编码器是一种无监督学习的神经网络模型，可以用于数据降维、特征压缩、特征提取、数据生成等任务。其主要思想是尝试将输入数据通过 ......
f-VAEGAN-D2：VAE+GAN处理零样本学习问题
虽然f-VAEGAN-D2在题目中说“适用任意样本”，但对比的Few-shot相关的实验较少，这里仅讨论零样本学习的情况。 1. 背景介绍 由于为每个对象收集足够数量的高质量带标签样本难以实现，使用有限的标签进行训练学习一直是一个重要的研究方向。零样本学习（Zero-Shot Learning, Z ......
根据语音生成全身姿态；基于变分贝叶斯框架的VAE模型；CFG是一种隐式的Perceptual Loss！
本文首发于公众号：机器感知 根据语音全身姿态；基于变分贝叶斯框架的VAE模型；CFG是一种隐式的Perceptual Loss！ Diffusion Model with Perceptual Loss 本文研究了扩散模型在生成样本时的质量问题，作者发现使用均方误差损失训练的模型生成的样本往往不真实 ......
QARV: Quantization-Aware ResNet VAE for Lossy Image Compression
目录简介创新之处模型结构实验结果 什么是Quantization-Aware量化感知？ 简介 该文章基于VAE提出一种新的有损图像压缩方法，起名叫quantization-aware ResNet VAE (QARV). 这种方法集成了测试时间量化和量化感知训练，没有它就无法进行熵编码？ 除此之外还 ......
生成模型的两大代表：VAE和GAN
生成模型 给定数据集，希望生成模型产生与训练集同分布的新样本。对于训练数据服从\(p_{data}(x)\)；对于产生样本服从\(p_{model}(x)\)。希望学到一个模型\(p_{model}(x)\)与\(p_{data}(x)\)尽可能接近。 这也是无监督学习中的一个核心问题——密度估计问 ......
Variational Autoencoders（VAE）
在过去的几年中，基于深度学习的生成模型越来越受到关注，一方面这是因为该领域产生了一些惊人改进，另一方面受到关注也暗示着该领域进展迅猛。 依靠大量数据，精心设计的网络体系结构和智能培训技术，深入的生成模型已经显示出了令人难以置信的能力，可以生成各种高度逼真的各种内容，例如图像，文本和声音。 在这些深层 ......
VAE 学习笔记
VAE 是 AE的变体。主要目的是让模型学习数据的分布，最后让解码器(decoder)部分具有生成样本的能力。 VAE可看做高斯混合模型(GMM)的扩展。 GMM中，数据由多个高斯分布来描述: \[p(x) = \sum_{k=1}^{K}P(z_{k})P(x|z_{k}) \]其中 $z \si ......
变分自编码器（VAE）公式推导
论文原文：Auto-Encoding Variational Bayes [[OpenReview (ICLR 2014)](https://openreview.net/forum?id=33X9fd2-9FyZd) | [arXiv](https://arxiv.org/abs/1312.611 ......
基于VAE的风险分析：基于历史数据的风险分析、基于实时数据的风险分析
[toc] 1. 引言 随着人工智能和机器学习的发展，风险分析已经成为许多行业和组织中不可或缺的一部分。传统的基于经验和规则的风险分析方法已经难以满足现代风险分析的需求，因此基于VAE的风险分析方法逐渐成为了主流。本文将介绍基于历史数据和实时数据的风险分析方法，以及VAE技术在风险分析中的应用。 2 ......
从零开始实现VAE和CVAE
扩散模型可以看作是一个层次很深的VAE(变分自编码器)，前向（forward，或者译为正向）的过程，通过在多个尺度上添加噪声来逐步扰乱数据分布；然后是反向的过程，去学习如何恢复数据结构，上述的破坏和恢复过程分别对应于VAE中的编码和解码过程。所以VAE是一个重要的概念需要掌握，本文将用python从 ......